VGG的主要作用:
(1)小卷积核(33)和多个小卷积核卷积(多个小卷积核替代大卷积核)。
注:(1)一方面,可以减少权重参数,避免过拟合,更有利于模型训练。
(2)另一方面,增加了更多的非线性映射,具有更好的分类性能和表达能力。
(2)深度增加,最多增加为19层。
(3)使用了11卷积核,可以对不同的特征通道进行线性组合。
总结:
使用非常小的(3×3)卷积滤波器架构对网络深度的增加进行了全面评估,这表明通过将深度推到16-19加权层可以实现对现有技术配置的显著改进。
VGG网络的改进点:
1 使用了更小的33卷积核,和更深的网络。两个33卷积核的堆叠相对于55卷积核的视野,三个33卷积核的堆叠相当于77卷积核的视野。这样一方面可以有更少的参数(3个堆叠的33结构只有77结构参数数量的(333)/(77)=55%);另一方面拥有更多的非线性变换,增加了CNN对特征的学习能力。
2 在VGGNet的卷积结构中,引入1*1的卷积核,在不影响输入输出维度的情况下,引入非线性变换,增加网络的表达能力,降低计算量。
3 训练时,先训练级别简单(层数较浅)的VGGNet的A级网络,然后使用A网络的权重来初始化后面的复杂模型,加快训练的收敛速度。</